三阶段优化算法求解带三维装载约束的MDVRP北大核心CSCD

对带三维装载约束的多车场车辆路径问题,以最小化车辆行驶总里程为优化目标,建立问题模型,并提出一种三阶段优化算法进行求解。第一阶段设计带循环平衡的K-medoids聚类算法,将原问题分解成多个带三维装载约束限制的车辆路径子问题。第二阶段提出一种双层结构的超启发式蚁群算法用于求解各子问题,以确定各车辆的配送路径。在该算法中,低层设计9种启发式操作,并将其所构成的排列作为高层个体;同时,高层采用蚁群算法更新高层个体,以引导算法搜索方向。第三阶段以第二阶段所得阶段解作为初始解,设计组合启发式装箱算法对带容积约束的装箱过程进行优化,进而将第二、三阶段确定的解合并为原问题的解。最后,仿真实验和算法比较验证了所提算法的有效性。     

基于随机森林的大型公共建筑能耗混合预测模型北大核心CSCD

针对公共建筑能耗预测模型中影响变量相关性低、冗余性高的问题,提出了基于二氧化碳浓度的公共建筑人员流动率间接测量方法,以提高模型的预测精度,并提出了一种大型公共建筑能耗混合预测模型。首先利用LASSO变量选择算法筛选出与公共建筑能耗相关性高的影响因素,再引入改进的并行排序蚁群优化算法对随机森林预测模型的参数进行优化,进一步提高预测性能。最后,以西安某公共建筑监测数据为例进行预测分析。结果表明,人员流动率对公共建筑能耗预测有着重要的影响,所提模型的泛化能力强、预测精度高,可以为公共建筑节能优化提供有效的数据支撑。     

基于改进蚁群算法的焦炉推焦计划编排北大核心CSCD

针对实际焦炉推焦作业计划过程中的多炉号乱笺问题,提出一种基于改进蚁群算法的焦炉推焦计划编排方法。首先,给出以恢复推焦串序过程中总惩罚最小为优化目标的焦炉推焦优化调度模型;其次,为了避免蚁群算法进入搜索停滞状态,设置信息素值域来加强算法的搜索能力,并采用具有自适应性的全局更新规则来加快算法后期的收敛速度,进而利用改进的蚁群算法对焦炉优化调度问题进行求解;最后,通过某焦炉厂实际生产数据仿真结果证明,该方法在解决焦炉推焦计划编制问题时具有更好的求解精度和更高的搜索成功率。     

结合聚类分解的增强蚁群算法求解复杂绿色车辆路径问题EI北大核心CSCD

针对带时间窗的低能耗多车场多车型车辆路径问题(Low-energy-consumption multi-depots heterogeneousfleet vehicle routing problem with time windows,LMHFVPR_TW),提出一种结合聚类分解策略的增强蚁群算法(Enhanced ant colony optimization based on clustering decomposition,EACO_CD)进行求解.首先,由于该问题具有强约束、大规模和NP-Hard等复杂性,为有效控制问题的求解规模并合理引导算法在优质解区域搜索,根据问题特点设计两种基于K-means的聚类策略,将LMHFVPR_TW合理分解为一系列带时间窗的低能耗单车场单车型车辆路径子问题(Low-energy-consumption vehicle routing problem with time windows,LVRP_TW);其次,本文提出一种增强蚁群算法(Enhanced ant colony optimization,EACO)求解分解后的各子问题(LVRP_TW),进而获得原问题的解.EACO不仅引入信息素挥发系数控制因子进一步动态调节信息素挥发系数,从而有效控制信息素的挥发以提高算法的全局搜索能力,而且设计基于4种变邻域操作的两阶段变邻域局部搜索(Two-stage variable neighborhood search,TVNS)来增强算法的局部搜索能力.最后,在不同规模问题上的仿真和对比实验验证了所提EACO_CD的有效性.